1.本技术涉及计算机视觉等技术领域，特别涉及一种基于异常检测的目标确定方法及装置。
背景技术：2.在检测图像中的特定信息时，通常采用目标检测的方法。目标检测可以检测到图像中的特定目标，例如人、车、书包或其他常见的类别。通过对神经网络进行训练可以实现相关场景的目标检测任务。基于神经网络的目标检测技术通常需要高精度的样本数据集作支撑。很多场景下的样本数据集可以通过人工标注得到，或者通过已有的大型公开数据集进行相同类别的泛化训练得到。
3.但是对于一些特殊的场景(例如楼道杂物堆积的场景)，其中的特定信息(例如堆积的杂物)是难以区分类别的，且无法获取足够多的样本数据。基于目标检测的方法无法检测出图像中的特定信息。
技术实现要素：4.本技术提供一种基于异常检测的目标确定方法及装置，用以准确地检测出难以区分类别的目标。
5.为达到上述目的，本技术实施例公开了一种基于异常检测的目标确定方法，包括：
6.获取待检测场景区域的第一图像；
7.基于目标检测方法，确定所述第一图像中的至少一个目标图像子区域；
8.确定所述第一图像对应的第一特征向量；基于所述第一特征向量和预先保存的多个样本特征向量，确定所述第一图像中的至少一个异常图像子区域；其中，所述第一图像和所述样本特性向量对应的样本图像是针对相同的场景区域获取的，所述样本图像中不包括异常图像子区域；
9.针对存在重叠区域的目标图像子区域和异常图像子区域，基于所述目标图像子区域的面积和所述异常图像子区域的面积，确定在所述第一图像中将所述异常图像子区域删除或保留；
10.将所述第一图像中剩余的异常图像子区域的位置，确定为所述第一图像中的待检测的目标的位置。
11.一种示例中，所述确定所述第一图像对应的第一特征向量，包括：
12.将所述第一图像输入至预先训练好的第一神经网络模型中，得到多个第一特征；其中，所述第一神经网络模型用于提取图像中的特征；
13.基于所述多个第一特征，确定所述第一图像对应的第一特征向量。
14.一种示例中，所述基于所述第一特征向量和预先保存的多个样本特征向量，确定所述第一图像中的至少一个异常图像子区域，包括：
15.基于多个样本特征向量，确定所述多个样本特征向量对应的均值和协方差矩阵；
16.基于所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵；其中，所述差异值矩阵中的每个元素表示所述第一图像中的每个第一子区域与样本图像中的每个样本子区域的差异值；
17.将所述差异值矩阵中的每个元素和第一阈值进行比较，基于大于或等于所述第一阈值的元素对应的第一子区域确定异常图像子区域。
18.一种示例中，所述基于所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵，包括：
19.基于马氏距离公式、所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵。
20.一种示例中，所述基于所述目标图像子区域的面积和所述异常图像子区域的面积，确定在所述第一图像中将所述异常图像子区域删除或保留，包括：
21.确定所述目标图像区域与所述异常图像子区域的交并比；
22.判断所述交并比是否大于或等于第二阈值；
23.如果是，则在所述第一图像中将所述异常图像子区域删除；
24.如果否，则在所述第一图像中将所述异常图像子区域保留。
25.一种示例中，在将所述第一图像中剩余的异常图像子区域的位置，确定为所述第一图像中待检测的目标的位置之前，还包括：
26.针对第一图像中的每个异常图像子区域，基于所述异常图像子区域在所述第一图像中的第一位置，确定第二图像的所述第一位置上是否存在异常图像子区域；其中，所述第一图像和所述第二图像是针对相同的场景区域获取的，所述第二图像的获取时间早于所述第一图像；
27.如果否，则在所述第一图像中删除所述异常图像子区域；
28.如果是，则在所述第一图像中保留所述异常图像子区域。
29.本技术实施例公开了一种基于异常检测的目标确定装置，包括：
30.获取模块，用于获取待检测场景区域的第一图像；
31.目标检测模块，用于基于目标检测方法，确定所述第一图像中的至少一个目标图像子区域；
32.异常检测模块，用于确定所述第一图像对应的第一特征向量；基于所述第一特征向量和预先保存的多个样本特征向量，确定所述第一图像中的至少一个异常图像子区域；其中，所述第一图像和所述样本特性向量对应的样本图像是针对相同的场景区域获取的，所述样本图像中不包括异常图像子区域；
33.目标筛选模块，用于针对存在重叠区域的目标图像子区域和异常图像子区域，基于所述目标图像子区域的面积和所述异常图像子区域的面积，确定在所述第一图像中将所述异常图像子区域删除或保留；将所述第一图像中剩余的异常图像子区域的位置，确定为所述第一图像中的待检测的目标的位置。
34.一种示例中，所述异常检测模块，具体用于将所述第一图像输入至预先训练好的第一神经网络模型中，得到多个第一特征；其中，所述第一神经网络模型用于提取图像中的特征；基于所述多个第一特征，确定所述第一图像对应的第一特征向量。
35.一种示例中，所述异常检测模块，具体用于基于多个样本特征向量，确定所述多个
样本特征向量对应的均值和协方差矩阵；基于所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵；其中，所述差异值矩阵中的每个元素表示所述第一图像中的每个第一子区域与样本图像中的每个样本子区域的差异值；将所述差异值矩阵中的每个元素和第一阈值进行比较，基于大于或等于所述第一阈值的元素对应的第一子区域确定异常图像子区域。
36.一种示例中，所述异常检测模块，具体用于基于马氏距离公式、所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵。
37.一种示例中，所述异常检测模块，具体用于确定所述目标图像区域与所述异常图像子区域的交并比；判断所述交并比是否大于或等于第二阈值；如果是，则在所述第一图像中将所述异常图像子区域删除；如果否，则在所述第一图像中将所述异常图像子区域保留。
38.一种示例中，还包括：时序追踪模块，用于针对第一图像中的每个异常图像子区域，基于所述异常图像子区域在所述第一图像中的第一位置，确定第二图像的所述第一位置上是否存在异常图像子区域；其中，所述第一图像和所述第二图像是针对相同的场景区域获取的，所述第二图像的获取时间早于所述第一图像；如果否，则在所述第一图像中删除所述异常图像子区域；如果是，则在所述第一图像中保留所述异常图像子区域。
39.本技术实施例提供了一种基于异常检测的目标确定装置，包括处理器和存储器；
40.所述存储器，用于存储计算机程序或指令；
41.所述处理器，用于执行所述存储器中的部分或者全部计算机程序或指令，当所述部分或者全部计算机程序或指令被执行时，用于实现上述任一项所述的基于异常检测的目标确定方法。
42.本技术实施例提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序包括用于实现任一项所述的基于异常检测的目标确定方法的指令。
43.针对不容易区分目标类别的场景(例如楼道杂物堆积的场景)，本技术直接获取大量无异常的图像作为样本图像，通过将实际采集的第一图像的第一特征向量与样本图像的样本特征向量进行比对，从而在第一图像中筛选出异常图像子区域，将异常图像子区域作为待检测的目标。由于获取无异常的图像的过程相较于针对异常图像子区域中的目标类别判定较简单，所以，本技术既检测出了待检测的目标，也提高了检测的准确性。通过异常检测来避免复杂类别的定义的困难性，脱离带标注的监督数据集的依赖。
44.进一步地，在异常检测中结合目标检测方法，来剔除待检测场景区域(例如楼道)中常规目标(例如行人、动物)的出现对难以检测的目标(例如堆积的杂物)的影响，可以提高对难以检测的目标(例如堆积的杂物)的检测准确性。可以减少只采用异常检测对难以检测的目标(例如堆积的杂物)的检测误报率。
附图说明
45.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1为本技术提供的一种基于异常检测的目标确定流程示意图；
47.图2为本技术提供的一种基于异常检测的目标确定系统架构图；
48.图3为本技术提供的一种基于异常检测的目标确定装置结构图；
49.图4为本技术提供的一种基于异常检测的目标确定装置结构图。
具体实施方式
50.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
51.如图1所示，介绍了一种基于异常检测的目标确定方法，可以应用于电子设备，包括如下步骤：
52.步骤101：获取待检测场景区域的第一图像。
53.第一图像为待检测的场景区域的图像，待检测的场景区域例如楼道。待检测的场景中安装有监控，监控采集待检测场景区域的图像或视频流，第一图像为该监控采集的图像、或视频流中的某一帧图像、或者对监控采集的图像进行缩放得到的图像、或对监控采集的视频流中的某一帧图像进行缩放得到的图像。
54.本技术可以检测第一图像中是否存在异常图像子区域，该异常图像子区域可以是堆积杂物的图像区域。
55.第一图像可以是rgb三通道图像，第一图像的大小例如为224*224。
56.步骤102：确定所述第一图像对应的第一特征向量。
57.一种示例中，将所述第一图像输入至预先训练好的第一神经网络模型中，得到多个第一特征；其中，所述第一神经网络模型用于提取图像中的特征。基于所述多个第一特征，确定所述第一图像对应的第一特征向量。
58.所述第一神经网络模型为resnet(例如resnet-50)神经网络模型，该resnet神经网络模型可以在imagenet上预训练好。可以采用padim的主体结构框架对所述多个第一特征进行整合，得到所述第一图像对应的第一特征向量。
59.步骤103：基于所述第一特征向量和预先保存的多个样本特征向量，确定所述第一图像中的至少一个异常图像子区域。
60.样本特征向量是样本图像对应的特征向量。所述第一图像和所述样本图像是针对相同的场景区域采集的，所述样本图像中不包括异常图像子区域。所述样本图像与第一图像的大小相同，例如为224*224。样本特征向量与第一特征向量的获取方式通过也是相同的。
61.一种示例中，可以先基于多个样本特征向量，确定所述多个样本特征向量对应的均值和协方差矩阵；然后，基于所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵；接下来，将所述差异值矩阵中的每个元素和第一阈值进行比较；基于异常元素对应的第一子区域确定异常图像子区域，其中异常元素为大于或等于所述第一阈值的元素；如果差异值矩阵中的每个元素均小于第一阈值，则确定所述第一图像中不存在异常图像子区域。第一图像中可能包括一个或多个
异常图像子区域，也可能不包括异常图像子区域。
62.其中，均值和协方差矩阵可以称为高斯分布参数，可以采用padim的主体结构框架，基于多个样本特征向量，确定所述多个样本特征向量对应的均值和协方差矩阵。其中，所述差异值矩阵中的每个元素表示所述第一图像中的每个第一子区域与样本图像中的每个样本子区域的差异值。任一元素对应的第一子区域在第一图像中的位置与该任一元素对应的样本子区域在样本图像中的位置相同。
63.一种示例中，可以基于马氏距离公式、所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵。例如，提前获取1000个样本图像，每个样本图像对应一个样本特征向量。基于1000个样本特征向量，确定1000个样本特征向量的均值和1000个样本特征向量之间的协方差矩阵。通过马氏距离公式确定差异值矩阵。其中，dm(x)表示差异值矩阵，x表示第一特征向量，μ表示均值，t表示转置，σ表示协方差矩阵，上标(-1)表示逆。
64.一种示例中，基于异常元素对应的第一子区域确定异常图像子区域，可以是将每个异常元素对应的第一子区域确定为异常图像子区域。如果第一图像中的每个第一子区域较小，则采用这种方式确定出的异常图像子区域可能不规则，且散乱。另一示例中，可以在连续的异常元素对应的第一子区域上设置外接矩形框(需要注意的是，此处的连续是指连续的第一子区域，不是连续的异常元素)，则外接矩阵框中可能包括多个第一子区域，将该外接矩形框所在的区域确定为异常图像子区域，则该异常区图像子区域为整齐的矩形区域。
65.可选的，为了减少确定外接矩形框的复杂度，可以基于掩膜mask来确定外接矩形框。例如，在连续的异常元素对应的第一子区域上设置外接矩形框之前，还可以将异常元素对应的第一子区域的像素点的像素值设置为0，非异常元素对应的第一子区域的像素点的像素值设置为1或第一图像的原像素值，进而在连续的像素点为0的位置区域上设置外接矩形框。
66.步骤104：基于目标检测方法，确定所述第一图像中的至少一个目标图像子区域。
67.目标图像子区域对应的目标可以是人体、动物、车辆等容易被区分类别的目标。第一图像中可能存在目标图像子区域，也可能不存在目标图像子区域。
68.例如，可以通过现有的目标检测算法yolov5，检测所述第一图像中是否存在人体图像子区域。
69.该目标图像子区域可以是规则区域，例如矩形区域。
70.步骤104与步骤102的先后顺序不进行限制。
71.步骤105：针对存在重叠区域的目标图像子区域和异常图像子区域，基于所述目标图像子区域的面积和所述异常图像子区域的面积，确定在所述第一图像中将所述异常图像子区域删除或保留。
72.一般目标图像子区域与异常图像子区域存在重叠，可以是完全重叠，也可能是部分重叠。例如，可以基于所述目标图像子区域的面积和所述异常图像子区域的面积，确定面积比值，所述面积比值用于指示目标图像子区域对于异常图像子区域的影响。将所述面积比值与第二阈值进行比较；当面积比值大于或等于第二阈值时，确定在所述第一图像中将
所述异常图像子区域删除；当面积比值小于或等于所述第二阈值时，确定在所述第一图像中将所述异常图像子区域保留。
73.一种示例中，面积比值可以是目标图像子区域与异常图像子区域的重叠面积，与异常图像子区域的面积的比值。
74.一种示例中，面积比值可以是目标图像子区域与异常图像子区域的重叠面积，与异常图像子区域中除目标图像子区域的面积的比值。
75.一种示例中，面积比值可以是目标图像子区域与异常图像子区域的交并比。交并比是计算两个区域的交集和并集之比。
76.在不容易区分目标类别的场景(例如楼道杂物堆积的场景)中，将无异常(例如无堆积物、行人、动物等)的图像作为参考，则异常图像子区域可能是由于堆积的杂物、行人、动物等引起。当面积比值大于或等于第二阈值时，则在一定程度上说明该异常图像子区域是因为行人、动物等出现而引起的异常，这是对于堆积的杂物的误判断，则可以在第一图像中将该异常图像子区域删除。在异常检测中结合目标检测方法，来剔除待检测场景区域(例如楼道)中常规目标(例如行人、动物)的出现对难以检测的目标(例如堆积的杂物)的影响，可以提高对难以检测的目标(例如堆积的杂物)的检测准确性。可以减少只采用异常检测对难以检测的目标(例如堆积的杂物)的检测误报率。
77.步骤106：将所述第一图像中剩余的异常图像子区域的位置，确定为所述第一图像中待检测的目标的位置。
78.例如，当第一图像中存在异常图像子区域(待检测的目标)时，可以报警。
79.例如，可以输出或标记待检测的目标(即剩余的异常图像子区域)在第一图像中的位置。
80.如果步骤104中不存在目标图像子区域，则第一图像中剩余的异常图像子区域即为步骤103中基于所述第一特征向量和预先保存的多个样本特征向量，确定的异常图像子区域。
81.针对不容易区分目标类别的场景(例如楼道杂物堆积的场景)，本技术直接获取大量无异常的图像作为样本图像，通过将实际采集的第一图像的第一特征向量与样本图像的样本特征向量进行比对，从而在第一图像中筛选出异常图像子区域，将异常图像子区域作为待检测的目标。由于获取无异常的图像的过程相较于针对异常图像子区域中的目标类别判定较简单，所以，本技术既检测出了待检测的目标，也提高了检测的准确性。通过异常检测来避免复杂类别的定义的困难性，脱离带标注的监督数据集的依赖。
82.进一步地，在异常检测中结合目标检测方法，来剔除待检测场景区域(例如楼道)中常规目标(例如行人、动物)的出现对难以检测的目标(例如堆积的杂物)的影响，可以提高对难以检测的目标(例如堆积的杂物)的检测准确性。可以减少只采用异常检测对难以检测的目标(例如堆积的杂物)的检测误报率。
83.在一种可选的示例中，将所述第一图像中剩余的异常图像子区域的位置，确定为所述第一图像中的待检测的目标的位置之前，还可以针对第一图像中的每个异常图像子区域，基于所述异常图像子区域在所述第一图像中的第一位置，确定第二图像的所述第一位置上是否存在异常图像子区域；其中，所述第一图像和所述第二图像是针对相同的场景区域采集的，所述第二图像的获取时间早于所述第一图像；如果否，则在所述第一图像中删除
所述异常图像子区域；如果是，则在所述第一图像中保留所述异常图像子区域。该过程可以在步骤104之前执行，也可以在步骤105之后执行。
84.所述第一图像为第t+n时刻获取的图像，所述第二图像为第t时刻获取的图像；或者第一图像第t+2n时刻获取的图像，所述第二图像为第t+n时刻获取的图像。所述n为超参数，可以根据需求来修改，n可以表示将多长时间内存在的异常图像子区域作为待检测的目标(例如堆积的杂物)，n可以为8秒、10秒、15秒等。
85.以t时刻为参考，如果在t时刻存在该异常图像子区域，且t+n时刻依然存在该异常图像子区域，则确定该异常图像子区域确实为待检测的目标(例如堆积的杂物)。可以将t时刻移除队列，并将t+n时刻视为t+2n时刻的基准，随着时序推进不断更新迭代检测的结果。当异常存在一段时间，才被判定为待检测的目标，可以去除行人或某些物体只是短暂的经过视频画面的影响，可以降低了误报和高频率预警。
86.如图2所示，介绍了一种基于异常检测的目标确定系统架构图，采集无异常情况下的视频流数据作为样本，将楼道监控的实时视频流与样本进行比对，确定出异常图像子区域，以实现异常检测。通过目标检测得到常规的目标所在的图像子区域。进行目标筛选，剔除行人、动物等常规目标的影响。进行时序跟踪，输出最后的结果。
87.以下介绍一种具体的示例：
88.步骤一：获取安装在楼道中的监控在楼道中无杂物堆积、无行人、动物等经过的情况下采集的视频数据，将该视频数据拆分成图像并划定检测区域制作成的样本图像集。
89.步骤二：将样本图像集输入到在imagenet上预训练好的resnet神经网络模型上，进行特征提取，通过padim整合样本特征得到样本特征向量的高斯分布参数(例如均值和协方差矩阵)，保存至本地用于后续操作。
90.步骤三：载入神经网络模型参数和高斯分布参数，接入实时的视频流数据，每隔n秒(例如15s)获取一帧图像。
91.步骤四：对于获取到的每一帧图像，通过异常检测确定出该图像中的异常图像子区域；通过目标检测确定出该图像中的行人、动物等常规目标所在的图像子区域；结合异常检测的结果和目标检测的结果，在该图像中剔除行人、动物等常规目标的影响。
92.步骤五：基于前后两帧的差异性，最终输出是否出现待检测的目标(例如堆积的杂物)。
93.重复上述步骤三、步骤四和步骤五，实时监控和更新预警结果。
94.基于与上述方法的同一技术构思，参见图3，提供了一种基于异常检测的目标确定装置，包括：
95.获取模块31，用于获取待检测场景区域的第一图像；
96.目标检测模块32，用于基于目标检测方法，确定所述第一图像中的至少一个目标图像子区域；
97.异常检测模块33，用于确定所述第一图像对应的第一特征向量；基于所述第一特征向量和预先保存的多个样本特征向量，确定所述第一图像中的至少一个异常图像子区域；其中，所述第一图像和所述样本特性向量对应的样本图像是针对相同的场景区域获取的，所述样本图像中不包括异常图像子区域；
98.目标筛选模块34，用于针对存在重叠区域的目标图像子区域和异常图像子区域，
unit，cpu)，基带处理器，基带处理器和cpu可以集成在一起，或者分开，还可以是网络处理器(network processor，np)或者cpu和np的组合。处理器还可以进一步包括硬件芯片或其他通用处理器。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，asic)，可编程逻辑器件(programmable logic device，pld)或其组合。上述pld可以是复杂可编程逻辑器件(complex programmable logic device，cpld)，现场可编程逻辑门阵列(field-programmable gate array，fpga)，通用阵列逻辑(generic array logic，gal)及其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等或其任意组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
111.本技术实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。应注意，本技术描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
112.本技术实施例中提及的收发器中可以包括单独的发送器，和/或，单独的接收器，也可以是发送器和接收器集成一体。收发器可以在相应的处理器的指示下工作。可选的，发送器可以对应物理设备中发射机，接收器可以对应物理设备中的接收机。
113.本领域普通技术人员可以意识到，结合本文中所公开的实施例中描述的各方法步骤和单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各实施例的步骤及组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
114.在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
115.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本技术实施例方案的目的。
116.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
117.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
118.本技术中的“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术中所涉及的多个，是指两个或两个以上。另外，需要理解的是，在本技术的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
119.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
120.显然，本领域的技术人员可以对本技术实施例进行各种改动和变型而不脱离本技术实施例的精神和范围。这样，倘若本技术实施例的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包括这些改动和变型在内。
技术特征：1.一种基于异常检测的目标确定方法，其特征在于，包括：获取待检测场景区域的第一图像；基于目标检测方法，确定所述第一图像中的至少一个目标图像子区域；确定所述第一图像对应的第一特征向量；基于所述第一特征向量和预先保存的多个样本特征向量，确定所述第一图像中的至少一个异常图像子区域；其中，所述第一图像和所述样本特性向量对应的样本图像是针对相同的场景区域获取的，所述样本图像中不包括异常图像子区域；针对存在重叠区域的目标图像子区域和异常图像子区域，基于所述目标图像子区域的面积和所述异常图像子区域的面积，确定在所述第一图像中将所述异常图像子区域删除或保留；将所述第一图像中剩余的异常图像子区域的位置，确定为所述第一图像中的待检测的目标的位置。2.如权利要求1所述的方法，其特征在于，所述基于所述第一特征向量和预先保存的多个样本特征向量，确定所述第一图像中的至少一个异常图像子区域，包括：基于多个样本特征向量，确定所述多个样本特征向量对应的均值和协方差矩阵；基于所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵；其中，所述差异值矩阵中的每个元素表示所述第一图像中的每个第一子区域与样本图像中的每个样本子区域的差异值；将所述差异值矩阵中的每个元素和第一阈值进行比较，基于大于或等于所述第一阈值的元素对应的第一子区域确定异常图像子区域。3.如权利要求2所述的方法，其特征在于，所述基于所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵，包括：基于马氏距离公式、所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵。4.如权利要求1所述的方法，其特征在于，所述基于所述目标图像子区域的面积和所述异常图像子区域的面积，确定在所述第一图像中将所述异常图像子区域删除或保留，包括：确定所述目标图像区域与所述异常图像子区域的交并比；判断所述交并比是否大于或等于第二阈值；如果是，则在所述第一图像中将所述异常图像子区域删除；如果否，则在所述第一图像中将所述异常图像子区域保留。5.如权利要求1所述的方法，其特征在于，在将所述第一图像中剩余的异常图像子区域的位置，确定为所述第一图像中待检测的目标的位置之前，还包括：针对第一图像中的每个异常图像子区域，基于所述异常图像子区域在所述第一图像中的第一位置，确定第二图像的所述第一位置上是否存在异常图像子区域；其中，所述第一图像和所述第二图像是针对相同的场景区域获取的，所述第二图像的获取时间早于所述第一图像；如果否，则在所述第一图像中删除所述异常图像子区域；如果是，则在所述第一图像中保留所述异常图像子区域。6.一种基于异常检测的目标确定装置，其特征在于，包括：
获取模块，用于获取待检测场景区域的第一图像；目标检测模块，用于基于目标检测方法，确定所述第一图像中的至少一个目标图像子区域；异常检测模块，用于确定所述第一图像对应的第一特征向量；基于所述第一特征向量和预先保存的多个样本特征向量，确定所述第一图像中的至少一个异常图像子区域；其中，所述第一图像和所述样本特性向量对应的样本图像是针对相同的场景区域获取的，所述样本图像中不包括异常图像子区域；目标筛选模块，用于针对存在重叠区域的目标图像子区域和异常图像子区域，基于所述目标图像子区域的面积和所述异常图像子区域的面积，确定在所述第一图像中将所述异常图像子区域删除或保留；将所述第一图像中剩余的异常图像子区域的位置，确定为所述第一图像中的待检测的目标的位置。7.如权利要求6所述的装置，其特征在于，所述异常检测模块，具体用于基于多个样本特征向量，确定所述多个样本特征向量对应的均值和协方差矩阵；基于所述第一特征向量、所述均值、所述协方差矩阵，确定所述第一特征向量和预先保存的多个样本特征向量的差异值矩阵；其中，所述差异值矩阵中的每个元素表示所述第一图像中的每个第一子区域与样本图像中的每个样本子区域的差异值；将所述差异值矩阵中的每个元素和第一阈值进行比较，基于大于或等于所述第一阈值的元素对应的第一子区域确定异常图像子区域。8.如权利要求6所述的装置，其特征在于，还包括：时序追踪模块，用于针对第一图像中的每个异常图像子区域，基于所述异常图像子区域在所述第一图像中的第一位置，确定第二图像的所述第一位置上是否存在异常图像子区域；如果否，则在所述第一图像中删除所述异常图像子区域；如果是，则在所述第一图像中保留所述异常图像子区域；其中，所述第一图像和所述第二图像是针对相同的场景区域获取的，所述第二图像的获取时间早于所述第一图像。9.一种基于异常检测的目标确定装置，其特征在于，包括处理器和存储器；所述存储器，用于存储计算机程序或指令；所述处理器，用于执行所述存储器中的部分或者全部计算机程序或指令，当所述部分或者全部计算机程序或指令被执行时，用于实现如权利要求1-5任一项所述的方法。10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序包括用于实现权利要求1-5任一项所述的方法的指令。
技术总结本申请提供一种基于异常检测的目标确定方法及装置，用以准确地检测出难以区分类别的目标。获取第一图像；基于目标检测方法，确定第一图像中的至少一个目标图像子区域；确定第一图像对应的第一特征向量；基于第一特征向量和多个样本特征向量，确定第一图像中的至少一个异常图像子区域；针对存在重叠区域的目标图像子区域和异常图像子区域，基于目标图像子区域的面积和异常图像子区域的面积，确定在第一图像中将异常图像子区域删除或保留；将第一图像中剩余的异常图像子区域的位置，确定为第一图像中的待检测的目标的位置。可以准确地检测出难以区分类别的目标。难以区分类别的目标。难以区分类别的目标。
技术研发人员：朱锦程
受保护的技术使用者：天翼云科技有限公司
技术研发日：2022.07.13
技术公布日：2022/11/1
